De synthese van kunststofprecursoren, zoals polymeren, omvat gespecialiseerde katalysatoren. Echter, de traditionele batchgebaseerde methode om de juiste te vinden en te screenen voor een bepaald resultaat verbruikt liters oplosmiddel, genereert grote hoeveelheden chemisch afval, en is een dure tijdrovend proces met meerdere proeven.

Ryan Hartman, hoogleraar chemische en biomoleculaire engineering aan de NYU Tandon School of Engineering, en zijn laboratorium ontwikkelde een laboratoriumgebaseerd 'intelligent microsysteem' dat gebruikmaakt van machinaal leren, voor het modelleren van chemische reacties die veelbelovend zijn voor het elimineren van dit kostbare proces en het minimaliseren van milieuschade.

In hun onderzoek hebben "Het combineren van geautomatiseerde microfluïdische experimenten met machine learning voor efficiënt polymerisatieontwerp, " gepubliceerd in Intelligentie van de natuurmachine , de medewerkers, waaronder promovendus Benjamin Rizkin, een op maat ontworpen, snel geprototypeerde microreactor in combinatie met automatisering en in-situ infraroodthermografie om exotherme (warmtegenererende) polymerisatiereacties te bestuderen die notoir moeilijk te beheersen zijn wanneer beperkte experimentele kinetische gegevens beschikbaar zijn. Door efficiënte microfluïdische technologie te combineren met machine learning-algoritmen om high-fidelity datasets te verkrijgen op basis van minimale iteraties, ze waren in staat om chemisch afval met twee ordes van grootte te verminderen en katalytische ontdekking van weken tot uren.

Hartman legde uit dat het team voor het ontwerpen van de microfluïdische opstelling eerst de thermodynamica van polymerisatiereacties moest schatten, in dit geval met een klasse metalloceenkatalysatoren, veel gebruikt in industriële polymerisatie van polyethyleen en andere thermoplastische polymeren.

"We ontwikkelden eerst een schatting van de orde van grootte van warmte- en massatransport, "Zei Hartman. "Kennis van deze hoeveelheden stelde ons in staat een microfluïdisch apparaat te ontwerpen dat de activiteit van katalysatoren kan screenen en schaalbare mechanismen biedt die de intrinsieke kinetiek nabootsen die nodig is voor processen op industriële schaal."

Hartman voegde eraan toe dat een dergelijk tafelmodel de deur zou kunnen openen naar een reeks andere experimentele gegevens. "Het zou context kunnen bieden voor het analyseren van andere interessante eigenschappen, zoals hoe stream-mixing, spreiding, warmteoverdracht, massa overdracht, en de reactiekinetiek beïnvloedt de eigenschappen van het polymeer, " hij legde uit.

Met behulp van een klasse van op zirkonoceen gebaseerde polymeerkatalysatoren, het onderzoeksteam combineerde microfluïdica - bewezen in onderzoek naar andere exotherme reacties - met een geautomatiseerde pomp en infraroodthermografie om veranderingen in reactiviteit te detecteren op basis van exothermen (verbindingen die warmte afgeven tijdens hun vorming), wat resulteert in efficiënte, experimenten met hoge snelheid om de reactieruimte van de katalysator in kaart te brengen. Omdat het proces werd uitgevoerd in een kleine reactor, ze waren in staat om de katalysator opgelost in vloeistof te introduceren, het elimineren van de noodzaak van extreme omstandigheden om katalyse te induceren.

"Het feit is, de meeste kunststoffen worden gemaakt met behulp van metalloceenkatalysatoren gebonden aan silicadeeltjes, het creëren van een heterogeen substraat dat monomeren zoals propyleen en ethyleen polymeriseert, " zei Hartman. "Recente ontwikkelingen in homogene katalysator van opgelost metalloceen maken mildere reactieomstandigheden mogelijk."

Hartman's groep toonde eerder aan dat kunstmatige neurale netwerken (ANN) kunnen worden gebruikt als een hulpmiddel voor het modelleren en begrijpen van polymerisatieroutes. In het nieuwe onderzoek pasten ze ANN's toe om de door zirkonoceen gekatalyseerde exotherme polymerisatie te modelleren. Met behulp van MATLAB- en LabVIEW-systemen om de reacties te controleren, interface met externe apparaten, en het genereren van geavanceerde computationele algoritmen, de onderzoekers genereerden een reeks ANN's om katalyse te modelleren en te optimaliseren op basis van experimentele resultaten.

"Chemische bedrijven gebruiken doorgaans reactoren van 100 milliliter tot 10 liter om honderden katalysatoren te screenen die op hun beurt kunnen worden opgeschaald om kunststoffen te maken. Hier gebruiken we minder dan een milliliter, en door de voetafdruk van laboratoriumexperimenten te verkleinen, verkleint u de benodigde faciliteiten, dus de hele voetafdruk wordt verkleind. Ons werk biedt een nuttig hulpmiddel voor zowel wetenschappelijke als techno-economische analyse van complexe katalytische polymerisaties, ’ zei Hartman.

De ontdekkingen van Hartman en zijn lab openen deuren naar nieuwe soorten onderzoek, voornamelijk het concept van geautomatiseerde, of "robotische" chemie, toenemende doorvoer, gegevensgetrouwheid, en de veilige behandeling van zeer exotherme polymerisaties.

Hij legde uit dat in principe, de methode zou kunnen leiden tot een efficiënter ontwerp en milieuvriendelijkere kunststoffen, aangezien het sneller screenen van katalysatoren en polymeren het mogelijk maakt om processen sneller af te stemmen op milieuvriendelijkere polymeren.